whisper_streaming
विस्पर मॉडल के लिए वास्तविक समय स्ट्रीमिंग ट्रांसक्रिप्शन और अनुवाद।
OpenAI Whisper को कम विलंबता वाले स्पीच-टू-टेक्स्ट और अनुवाद सिस्टम में बदलें।
Whisper-streaming, Whisper मॉडल के शीर्ष पर स्थानीय समझौता नीति और स्व-अनुकूली विलंबता बनाकर वास्तविक समय भाषण ट्रांसक्रिप्शन और अनुवाद प्रदान करता है। यह मल्टीलिंगुअल आयोजनों के लिए लाइव ऑडियो प्रोसेसिंग पाइपलाइन बनाने वाले डेवलपर्स और तकनीकी विशेषज्ञों के लिए उपयुक्त है।
यह क्या है
यह टूल faster-whisper, whisper-timestamped, OpenAI API, या Whisper MLX जैसे कई बैकएंड का उपयोग करके बिना विभाजित किए गए लंबे भाषण को प्रोसेस करता है। यह विलंबता को लगभग 3.3 सेकंड पर बनाए रखने के लिए वॉयस एक्टिविटी डिटेक्शन, चंकिंग नीतियों और वैकल्पिक बफर ट्रिमिंग रणनीतियों को लागू करता है।
किसके लिए
यह एप्लिकेशन या लाइव कॉन्फ्रेंस फीड में रियल-टाइम ट्रांसक्रिप्शन को एकीकृत करने वाले डेवलपर्स के लिए उपयुक्त है। यह कमांड-लाइन कॉन्फ़िगरेशन के बिना उपयोग के लिए तैयार डेस्कटॉप एप्लिकेशन की तलाश कर रहे अंतिम उपयोगकर्ताओं के लिए उपयुक्त नहीं है।
मुख्य विशेषताएँ
Multiple Backends
faster-whisper, whisper-timestamped, OpenAI API, और Apple Silicon MLX बैकएंड का समर्थन करता है।
Voice Activity Detection
PyTorch का उपयोग करके वैकल्पिक VAD और वॉयस एक्टिविटी कंट्रोलर को एकीकृत करता है।
Buffer Trimming
विलंबता और गुणवत्ता को प्रबंधित करने के लिए सेगमेंट या सेंटेंस-लेवल बफर ट्रिमिंग विकल्प प्रदान करता है।
Real-Time Simulation
स्थानीय 16kHz मोनो WAV फ़ाइलों से सीधे लाइव स्ट्रीमिंग का अनुकरण करने के लिए स्क्रिप्ट शामिल हैं।
3 चरणों में तैयार
हमारा ईमानदार फैसला
क्या अच्छा है
- बिना विभाजित किए गए लंबे भाषण पर लगभग 3.3 सेकंड की कम विलंबता प्राप्त करता है।
- GPU-त्वरित और स्थानीय Apple Silicon विकल्पों सहित लचीला बैकएंड विकल्प।
- वैकल्पिक वॉयस एक्टिविटी कंट्रोलर और डिटेक्टर प्रोसेसिंग ओवरहेड को कम करते हैं।
- ट्रांसक्रिप्शन के साथ-साथ लाइव अनुवाद कार्यों के लिए अंतर्निहित समर्थन।
कहाँ कमी है
- ध्यान दें कि प्रोजेक्ट को 2025 में SimulStreaming द्वारा सफल बना दिया गया है।
- Python वातावरण, ऑडियो लाइब्रेरी और वैकल्पिक GPU ड्राइवरों के तकनीकी सेटअप की आवश्यकता है।
- OpenAI API बैकएंड का उपयोग करने पर चल रहे प्रति-अनुरोध API लागत लगती है जो चंक आकार के साथ बढ़ती है।
मूल्य & लाइसेंस
MIT लाइसेंस के तहत निःशुल्क। यदि आप OpenAI API बैकएंड का उपयोग करना चुनते हैं, तो आपको अपने उपयोग के आधार पर API एक्सेस लागत के लिए OpenAI को भुगतान करना होगा।
हिंदी बोलने वालों के लिए जॉब्स
874 खुले रिमोट AI-ट्रेनिंग रोल, 15 नवंबर 2026 को अपडेट; ज़्यादातर में $20–$170 प्रति घंटा। इनमें से 5 हिंदी बोलने वालों के लिए हैं। Zekai इन्हें मुफ़्त में लिस्ट करता है; आवेदन एम्प्लॉयर के प्लेटफ़ॉर्म पर जाता है।
विकल्प
इसे उपयोग करें, या हमसे सेट करवाएं
सामान्य प्रश्न
What backends are supported?
यह faster-whisper, whisper-timestamped, OpenAI API, और Apple Silicon के लिए Whisper MLX का समर्थन करता है।
Is a GPU required?
faster-whisper के लिए CUDA समर्थन वाले GPU की अनुशंसा की जाती है, लेकिन आप Apple Silicon MLX या OpenAI API बैकएंड का भी उपयोग कर सकते हैं।
How does it handle latency?
यह वास्तविक समय में ऑडियो को प्रोसेस करने के लिए स्व-अनुकूली विलंबता और न्यूनतम चंक साइजिंग के साथ स्थानीय समझौता नीति का उपयोग करता है।
